例外

例外:深度学习与深度分离卷积。我们将卷积神经网络中的起始模块解释为正则卷积和深度可分离卷积操作(深度卷积后是点卷积)之间的中间步骤。在这种情况下,一个深度可分离的卷积可以理解为一个具有最大数量塔的初始模块。这一观察结果使我们提出了一种新的深卷积神经网络结构,在这种结构中,起始模块被深部可分离卷积所取代。我们发现这个被称为Exception的架构在ImageNet数据集上的性能略优于Inception V3(Inception V3是为其设计的),并且在包含3.5亿张图像和1.7万个类的更大图像分类数据集上显著优于Inception V3。由于Exception体系结构与Inception V3具有相同数量的参数,因此性能的提高不是由于容量的增加,而是由于模型参数的更有效使用。


zbMATH中的参考文献(参考文献23条)

显示第1到第20个结果,共23个。
按年份排序(引用)
  1. 钱德拉,N.V.梅加;雷迪,K.阿什什;苏珊特,G。;Sujatha,S.:一种基于卷积神经网络的番茄病害早期识别方法(2022)
  2. 刘晓光;陈、孟;梁、铁;娄存光;王宏瑞;刘秀玲:一种用于多模态融合步态识别的轻量级双通道深度可分离卷积神经网络(2022)
  3. 帕尼格拉希,圣地苏达;布彦、鲁奇;库马尔,昆丹;纳亚克,詹门乔伊;Swarnkar,Tripti:使用改进的残差网络对口腔组织病理学图像进行多阶段分类(2022)
  4. 罗斯利达,罗斯利达;赛亚拉迪,莫赫德;萨达米,凯伦;普拉丹,比斯瓦吉特;阿尼娅,菲特里;梅门,锡克里;Munadi,Khairul:BreaCNet:基于移动卷积神经网络的高精度乳腺热像图分类器(2022)
  5. 王恒杰;普兰纳斯,罗伯特;Chandramowlishwaran,阿帕那;博斯塔纳巴德,拉明:马赛克流:一个可转移的深度学习框架,用于解决看不见域上的偏微分方程(2022)
  6. 刘春雷;丁文瑞;胡、元;张宝昌;刘建庄;郭国栋;David Doermann:带生成对抗性学习的修正二元卷积网络(2021)
  7. Mark Weber,Wang Huiyu Wang,Siyuan Qiao,Jun Xie,Maxwell D.Collins,Yukun Zhun,Liangzhe Yuan,Dahun Kim,Qihang Yu,Daniel Cremers,Laura Leal Taixe,Alan L.Yuille,Florian Schroff,Hartwig Adam,Liang Chieh Chen:DeepLab2:深层标记的TensorFlow库(2021)阿尔十四
  8. 彭建忠;朱伟;梁乔康;李正伟;陆茂英;孙伟;王耀南:基于BBE的复杂背景下代码字符缺陷检测(2021)
  9. 拉杰帕尔,Sheetal;拉赫亚尼,纳文;辛格,阿尤什·库马尔;科利,里夏夫;库马尔,纳文:结合resnet-50,使用精选的特征来改进从胸部X射线图像中检测COVID-19(2021年)
  10. 王如华;安,森建;刘万全;李玲:残差整流神经网络逆的不动点算法(2021)
  11. 王正阳;季水旺:平滑扩张卷积用于改进的稠密预测(2021)
  12. 陈一鸣;潘天赐;何,程;Cheng,Ran:基于噪声网络态射变异的高效进化深层神经结构搜索(NAS)(2020)
  13. 卡姆勒,库玛;赛义德,乌麦尔;拉伊,阿索;伊斯兰教,诺曼;谢赫,古兰·穆罕默德;Qayoom,Abdul:IDC使用深度学习计划检测乳腺癌(2020年)
  14. 刘,李;欧阳、万里;王晓刚;菲格斯,保罗;陈杰;刘新旺;Pietikäinen,Matti:通用对象检测的深度学习:调查(2020)
  15. 夏尔玛,维普尔;Mir,Roohie Naaz:基于深度学习的目标检测技术的全面系统研究:综述(2020)
  16. 谭浩;何,程;唐、德宣;Cheng,Ran:通过模块化可继承交叉的高效进化神经结构搜索(NAS)(2020)
  17. 瓦拉达,阿比纳夫;莫汉,罗希特;Burgard,Wolfram:多模式语义分割的自监督模型自适应(2020)
  18. 郑清河;田新宇;杨明强;吴玉林;苏华科:基于PAC-Bayesian框架的二维区分卷积网络剪枝的下降路径方法(2020)
  19. 阿森,梅赫梅特埃伦;沃格尔,罗伯特M。;Stolovitzky,Gustavo A.:排名分类预测的无监督评估和加权聚合(2019年)
  20. 欢二阳;温桂华:面部结构分类的多层次多尺度特征聚合(2019)